Cisco 警告参议院：AI 正在重塑网络基础设施

Cisco 在 7 月 30 日的参议院听证会上发出了明确警告：许多运营商尚未完成准备，AI 已经在改变网络流量。Google News 的标题聚焦这次国会亮相，但更尖锐的冲突藏在其下：AI 需要更大的网络容量，同时也承诺能更高效地管理这些容量。

Cisco 运营商移动业务首席架构师 Bob Everson 在华盛顿出席了参议院商务委员会电信与媒体小组委员会的听证会。随着 AI 应用不断扩展，听证会审议了网络可靠性、网络安全、投资与监管问题。

这一议程将基础设施讨论从 GPU 和数据中心扩展出去。AI 流量必须穿越广域网、移动网络、园区网络、分支网络和边缘网络，应用才能返回有用的答案。

听证会还让两项政策优先事项形成张力。行业证人希望加快部署、减少监管障碍；公共官员则仍须保护竞争、安全、农村地区接入和服务可靠性。

Cisco 在这场争论中拥有商业利益，因为它销售网络和安全系统。但在将该公司的主张与独立确立的事实区分开后，其证据仍值得关注。

这并不只是又一家供应商要求立法者关注新兴市场。这是一场围绕谁为 AI 就绪连接付费、谁控制它，以及应配套何种保障措施的早期角力。

Cisco 向参议院提交了什么

Cisco 的证词将 AI 基础设施从数据中心议题转变为国家通信议题。

这场参议院听证会于 2026 年 7 月 30 日上午 10 点在 Russell Senate Office Building 253 室举行。来自内布拉斯加州的参议员 Deb Fischer 主持了电信与媒体小组委员会会议。

Everson 与 USTelecom 总裁兼 CEO Jonathan Spalter、内布拉斯加州公共服务委员会委员 Dan Watermeier 一同出席。Vanderbilt Policy Accelerator 人工智能与技术政策主任 Asad Ramzanali 提供了第四种视角。

这份证人名单很重要。它涵盖了设备供应商、宽带行业协会、州级监管机构和政策研究人员。这种构成表明，立法者审视的远不止路由器性能。

听证会涉及两个相互关联的过程。“面向 AI 的网络”涵盖承载 AI 工作负载的基础设施。“用于网络的 AI”则指预测故障、识别威胁和自动化网络运营的软件。

这两个过程将政策推向不同方向。支持 AI 工作负载需要投资光纤、无线容量、交换、路由和边缘计算。在网络内部使用 AI，则带来了问责、安全和人工监督方面的问题。

Fischer 将听证会定位为探讨既能容纳新技术、又能改善自身运行的网络。委员会的听证会通知还将可靠性、网络安全、经济增长和通信服务列为优先事项。

参议院商务委员会主席 Ted Cruz 将讨论置于美国与中国战略竞争的框架下。他的立场倾向于减少抑制投资和部署的规则。

这种框架形成了本文的核心冲突。更快地建设基础设施可以扩大容量，但速度并不会自动带来韧性、互操作性或广泛接入。

Cisco 的角色同样需要谨慎解读。当政府和企业将网络视为战略性 AI 投资时，该公司会从中受益。因此，它的证词混合了技术分析与市场论点。

其底层技术观点很直接。AI 应用的响应速度取决于连接用户、数据、模型和支撑服务的整条路径。

这条路径可能包含园区交换机、Wi-Fi 接入点、移动网络、互联网交换中心和多个数据中心。任何环节的拥塞或丢包都可能拖慢推理，即 AI 模型生成回应的过程。

对于智能体 AI 而言，这个问题更为严重。AI 智能体可以调用多项服务、交换文件、搜索数据库并重复执行任务，无需等待人类再次发出提示。

每项操作都会产生网络流量。因此，单个用户请求可能触发比传统网页搜索长得多的机器间通信链路。

这一机制解释了为何简短的 Google News 结果指向更大的基础设施故事。重要事件不只是某位高管出席国会，而是立法者正式将通信网络视为国家 AI 能力的一部分。

为什么 AI 流量改变了网络方程

AI 不只是增加流量规模；它还改变了数据移动的时间、地点和方向。

传统企业应用通常会产生可预测的模式。员工下载文档、参加视频会议、访问云软件，并上传规模可控的数据。

AI 工作负载的表现可能不同。模型训练会在存储系统、加速器和处理集群之间移动大型数据集。推理则在用户、模型、检索系统、工具和应用程序编程接口之间产生反复交换。

检索增强生成（RAG）又增加了一层。它在模型生成答案前搜索外部信息存储，从而增加一次可见请求背后的网络事务数量。

一个AI 知识库说明了这种模式。一个问题可能触发跨多个系统的文档检索、权限检查、模型处理和来源交付。

Cisco 的 2026 年企业研究称，各组织已经报告与 AI 相关的流量增长达 34%。该公司表示，广泛部署 AI 的企业预计其整体网络流量将在三年内增至三倍。

这些数据来自供应商赞助的研究，因此不应被视为普遍预测。它们确实揭示了 Cisco 调研客户认为自己面临的情况。

Cisco 还报告称，75% 的受访者对其 AI 战略的信心高于网络支撑该战略能力的信心。这一差距是最有价值的发现，因为它描述了组织层面的失配。

高管可以迅速批准 AI 软件。更换交换机、扩展光纤容量、重新设计无线覆盖范围，或协商新的运营商服务，则需要更长时间。

Cisco 将此描述为五年容量规划与 24 个月需求之间的碰撞。同样，这一时间表反映了该公司的研究和市场立场。

实际压力不止来自原始带宽。AI 应用通常需要低延迟、稳定性能，以及分布式系统之间可预测的路径。

延迟衡量数据完成往返所需的时间。当交互式助手停顿、工业控制器响应过晚，或安全系统错过快速变化的事件时，它就会变得明显。

AI 流量也可能逆转既有模式。联网汽车、摄像头、传感器和工业设备会将大量数据发送至云端或边缘系统。

Everson 此前曾通过联网汽车描述这种变化。训练和运营数据会带来更重的上行流量，而传统消费者网络通常围绕下载需求设计。

智能体系统会加剧这一问题，因为其活动可以在后台持续进行。有人提问时，聊天机器人的流量会上升，随后回落；一组智能体则可能持续通信。

Cisco 另一份WAN 流量研究考察了到 2035 年智能体使用可能如何影响广域网。广域网连接相距遥远的办公室、云和数据中心。

长期预测存在很大不确定性。模型效率、本地处理、压缩和应用设计可以减少每项任务的流量；但应用规模的扩大可能会压倒这些节省。

这是一个新场景中的典型反弹问题。当某项活动变得更便宜或更容易时，人们往往会做得更多。

更高效的模型可能会为一次回应使用更少的计算和网络资源。但如果这种效率催生数千项新的自动化任务，总消耗量仍会上升。

同样的不确定性也使基础设施采购变得复杂。网络团队必须判断，观察到的流量究竟代表暂时的实验，还是持久的运营工作负载。

建设不足可能造成拥塞和可靠性故障。建设过度则可能留下闲置的昂贵容量，尤其是在 AI 工作负载转向设备端或区域边缘系统时。

Cisco 出席参议院听证会，将这一规划难题摆到政策制定者面前。该公司的答案倾向于现代、可编程的基础设施。更棘手的问题是，组织实际上需要多少容量。

Google News 呈现了标题，而非政策博弈

Google News 的版本强调证词，而听证会本身揭示了部署速度与公共保障之间的冲突。

委员会的共和党领导层将监管松绑视为加快投资的途径之一。这一立场反映了真实的基础设施担忧。

许可延迟、分散的地方要求和不确定的规则，都会拖慢光纤建设或无线部署。当运营商无法估计完工日期时，资本会更加谨慎地流动。

然而，“消除障碍”并不是完整的 AI 网络政策。通信基础设施承载紧急呼叫、政府活动、金融交易、健康信息和工业运营。

一次故障的影响可能远超单个 AI 应用。网络必须在设备故障、网络攻击、断电和需求突然激增时保持可用。

因此，公共官员面临权衡。他们希望私人投资迅速推进，但不能将可靠性和安全审查视为可有可无的摩擦。

州级监管机构在这场讨论中占据重要位置。它们在各自辖区内监督服务义务、消费者保护、基础设施项目和公用事业相关决策。

Watermeier 的出席，为委员会带来了最大科技公司和全国性运营商之外的视角。农村地区和较小市场的网络，与超大规模数据中心面临不同的经济条件。

AI 应用可以在全球范围内可用，但使用它所需的基础设施仍可能分布不均。糟糕的宽带、薄弱的室内无线覆盖或有限的回传能力，都会让名义上的接入变成不可靠的体验。

回传是指将流量从本地接入点传送至运营商核心网络的网络部分。当其与更广泛网络的连接仍受限制时，扩展本地无线站点也无济于事。

这给运营商和政策制定者带来了压力。如果 AI 成为教育、就业、医疗和政府服务的关键基础，网络质量将越来越决定谁能获得这些服务带来的益处。

行业团体可以主张，投资激励措施能够改善接入条件。批评者则可以回应，投资往往流向预期回报最高的地区，成本高昂的农村地区因此被落下。

此次听证会并未解决这种分配问题。它通过将国家竞争力与通信服务和监管政策并置，使这种张力变得清晰可见。

安全问题带来了另一项挑战。AI 可以帮助运营商分析遥测数据、识别异常并提出修复建议。遥测数据是由网络设备和软件生成的运行数据。

这些能力可以缩短故障排查时间，并发现人工团队容易遗漏的模式。但它们也会增加对自动化建议的依赖，而这些建议依然难以审计。

错误的 AI 生成配置可能影响数千名用户。遭入侵的管理代理则可能成为穿透关键基础设施的高效途径。

Cisco 表示，预测系统可以预见容量限制和性能故障。此类说法需要在混合网络环境中接受实际运行验证，而不应只在受控的产品环境中演示。

运营商很少在所有地方都采用单一供应商的设备。他们会组合使用旧硬件、云服务、运营商链路、安全产品和专用运营系统。

AI 管理层必须能够理解这种环境，既不能凭空生成命令，也不能忽略不兼容的设置。幻觉，即 AI 系统生成缺乏依据的输出，将成为运营风险，而不再只是写作错误。

这正是 Ramzanali 的独立政策角色重要的原因。以部署为先的议程，需要有人施加制衡，追问当自动化失效时，规则将如何分配责任。

最终政策不能只是选择监管或投资。它必须区分哪些规则会拖慢常规建设，哪些保障措施则能保护竞争、韧性和问责。

Cisco 的商业论点面临更严峻的现实

Cisco 主张网络应处于 AI 投资的核心位置，但其产品必须证明，现代化改造能带来可衡量的运营收益。

该公司以有利的市场地位进入这场辩论。它面向企业和服务提供商销售交换机、路由器、无线系统、可观测性软件和安全产品。

AI 给了 Cisco 一个重新定义网络设备的机会。网络不再是按可预测周期更新的后台基础设施，而成为战略性业务计划的制约因素。

Cisco 总裁兼首席产品官 Jeetu Patel 将这种转变称为“网络超级周期”。这一说法描述的是由新型工作负载需求推动的大规模替换和扩张时期。

这一描述应被视为 Cisco 的论点，而非既定的行业结果。一个支出周期取决于预算、采用情况、利用率和客户证据。

该公司的园区网络研究称，其 AI“先行者”中有 41% 表示，过时的基础设施无法支持大规模 AI。Cisco 将先行者定义为在 AI 准备度方面优于同行的组织。

这一发现支持了 Cisco 的销售论点。但它并未说明每一种限制是否都需要更换硬件、调整软件、重新设计工作负载，或加强运营管理。

一些组织可以通过将推理部署得更接近用户来减轻网络压力。边缘推理在数据创建点附近处理 AI 请求，而不是将所有内容发送到遥远的云端。

另一些组织可以将训练传输安排在非高峰时段、缓存重复结果、压缩数据，或限制不必要的代理活动。更好的应用设计可以推迟部分升级。

云服务提供商和芯片公司也在争夺同一笔基础设施预算。Nvidia 将加速计算定位为核心制约因素，而大型云服务商则销售整合的计算、存储和网络容量。

Arista Networks 强调面向大型 AI 集群的高速以太网。Broadcom 提供应用于竞争性系统的交换芯片。Ericsson 和 Nokia 等电信供应商则聚焦移动和运营商基础设施。

Cisco 的优势在于广度。其产品组合能够连接数据中心、园区、分支机构、安全系统和服务提供商网络。

广度同样带来复杂性。客户可能不愿将控制权集中在单一供应商的管理架构之中，尤其是在其现有环境包含众多供应商时。

因此，互操作性与最高速度同样重要。开放接口让运营商能够组合系统并替换组件，而无需重新设计整个运营技术栈。

Everson 在移动架构领域的背景，为 Cisco 在企业 AI 与运营商网络之间提供了有用的桥梁。AI 流量不会止步于数据中心门口。

网联汽车提供了一个具体例子。摄像头和传感器在本地生成数据，蜂窝网络传输经过筛选的信息，边缘或云端系统再对其进行分析。

将每一项原始观测结果都发送给远程模型，会带来成本、延迟和隐私问题。本地处理可以在传输前筛选数据，但会将计算需求推向网络边缘。

这种架构变成了一系列选择，而不是一次升级。组织需要决定哪些内容在本地处理、哪些内容传输、哪些内容保留，以及哪些响应需要立即执行。

网络自动化面临类似考验。AI 可以汇总告警并提出变更建议，但生产系统需要授权限制和回滚程序。

回滚是在变更引发问题后恢复到已知配置的操作。没有这种安全机制，更快的自动化可能只会更快地制造故障。

人工审批对于高影响变更仍然有用。与一个能回答网络问题的精致助手相比，完全自主运行需要更有力的证据。

安全团队还必须审视 AI 系统本身。模型访问、训练数据、工具权限、日志和生成的命令都会形成新的攻击面。

Cisco 在网络和安全领域都拥有经验，但产品组合广泛并不保证保护措施能够整合。客户应询问，告警、身份和策略控制是否能在旧系统及第三方系统中保持一致运行。

当客户公布可衡量的结果时，这一商业论点才会更具可信度。有用指标包括更短的事故持续时间、更低的丢包率、更少的人工变更以及更好的应用响应时间。

供应商调查可以识别担忧，但无法证明某一种架构能够解决问题。

这种区别是理解 Cisco 证词的关键。网络问题是真实存在的，但由此带来的采购周期规模和形态仍未确定。

AI 能强化网络，也能扩大其攻击面

帮助运营商管理 AI 流量的同一套自动化技术，也可能放大错误、访问权限滥用和网络攻击。

现代网络产生的运行数据，已经超过许多团队能够人工检查的规模。日志、流记录、设备状态、安全告警和应用追踪信息持续涌入。

AI 可以关联这些来源并给出可能的原因。它可以帮助工程师将缓慢的应用性能与拥塞、路由故障或身份问题联系起来。

这一用例具有明确价值。它缩短了告警与可验证解释之间的距离。

当系统从分析转向行动时，风险就会上升。读取遥测数据不同于更改路由、禁用账户或重写防火墙策略。

拥有广泛权限的 AI 代理可以以机器速度跨系统行动。因此，一条错误指令、遭污染的数据源或被盗凭证都可能造成更广泛的损害。

提示注入是一项相关威胁。它发生在恶意内容操纵 AI 系统，使其遵循与预定任务相冲突的指令时。

网络代理可能会检查包含敌对文本的工单、配置说明或设备标签。如果它将这些文本视为指令，代理就可能泄露信息或调用未经授权的工具。

因此，工具权限必须保持狭窄。解释告警的助手并不自动需要获得更改生产设备的权限。

系统还需要完整的活动日志。运营商必须知道是哪一个模型生成了建议、它使用了哪些信息，以及随后执行了什么操作。

这些控制措施会放慢完全自主运行，但能够保留问责能力。关键基础设施不能依赖无人能够重建过程的模型响应。

Cisco 自身的安全信息也承认，攻击者越来越多地针对网络基础设施。其防御架构强调加固系统、持续可见性和自动化控制。

这是该公司对其内部方法的说明，而非独立评估。但它仍指出了应当评估的正确层面。

安全问题也不仅限于蓄意攻击。AI 系统可能基于不完整的遥测数据，给出看似自信的建议。

围绕常见企业模式训练的模型，可能会误解专用工业网络。在办公室环境中无害的自动化变更，可能会中断制造流程。

监管机构需要区分低风险辅助与高风险控制。摘要工具不需要接受与获准重新路由紧急通信的代理相同的监管。

采购团队现在就可以做出这种区分。他们应询问供应商哪些操作需要审批、权限如何隔离，以及当模型不可用时系统会如何运行。

他们还应要求针对故障进行测试。一场有价值的演示应包括过时数据、相互冲突的信号、无法访问的设备，以及一项刻意设置的错误建议。

理想条件下的准确性，对于揭示运营韧性作用有限。网络在其大部分生命周期里都在处理例外情况。

AI 也可以让网络防御更具可扩展性。自动化关联可以识别跨越终端、身份和网络流量的攻击活动。

攻击者也拥有类似优势。他们可以自动化侦察、变换恶意流量，并为拥有特权访问权限的员工生成具有迷惑性的消息。

由此形成的对抗并不能保证防御方占据优势。它提高了对可信身份、网络分段、监控和恢复能力的要求。

网络分段将网络划分为受控区域。它限制攻击者或故障代理在获得访问权限后能够横向移动的范围。

这正是参议院部署议程遭遇最强反对意见的地方。在没有相应安全纪律的情况下加快 AI 采用，可能会将通信基础设施变成更大的共同风险。

当 Cisco 将安全视为网络容量的一部分，而非独立产品类别时，其立场最有说服力。可靠服务既取决于可用带宽，也取决于受控行为。

当自动化被描述为运营复杂性的简单答案时，该公司的立场最为薄弱。增加 AI 控制层也会增加软件、权限、依赖关系和故障模式。

立法者应避免走向两个极端。AI 管理既非天生安全，也非天生鲁莽。它的风险取决于授权、架构、证据和人工控制。

Google News 周期之后值得关注的事项

下一步的证据必须来自政策措辞、客户运营和真实流量测量，而不是又一轮“AI 就绪”的品牌宣传。

第一个信号是听证会后的国会行动。立法者可以将讨论转化为许可提案、宽带投资规则、网络安全要求或研究计划。

具体的立法文本将显示，委员会倾向于全面放松监管，还是进行有针对性的调整。它还将揭示农村地区接入和安全问题是否获得可执行的保护。

一项只聚焦于加快部署速度的法案，将增强该行业的投资逻辑。它却无法回答谁来承担安全成本，以及服务不足的社区如何获得可靠接入。

若框架在加快审批的同时，配套提出报告、互操作性和韧性要求，则更支持一种更平衡的解读。它会将 AI 网络视为经济资产和公共基础设施。

第二个信号来自 Cisco 客户的证据。应关注那些披露基准性能和实际改善数据的生产部署案例。

有价值的数据并非关于“已做好准备”的模糊表述。读者需要看到事故解决时间、拥塞情况、应用延迟、能源使用和运营工作量的变化。

某客户将事故持续时间从一个测量水平降至另一个水平，比一项关于预期流量的调查更能提供有力证据。结果还应说明，是哪一个组件带来了改善。

独立测试至关重要，因为 Cisco 正在销售所提议的解决方案。多供应商测试同样重要，因为真实网络很少完全符合单一供应商的参考设计。

若能证明 AI 管理可在新旧设备之间发挥作用，将增强 Cisco 的论点。若结果仅限于高度集成的 Cisco 环境，其说服力则会缩小。

第三个信号是流量本身。企业和运营商应在生产条件下，将代理型工作负载与人类驱动的应用进行比较。

Cisco 的研究预计将出现显著增长，但预测无法决定基础设施规划。运营商需要按应用、地点、时间和流量方向进行测量。

机器对机器活动持续增加，将支持网络超级周期的论点。利用率持平或效率大幅提升，则会削弱加速替换的理由。

处理地点也值得关注。更多边缘推理可能会减少长距离流量，同时增加园区、工厂和移动网络内部的需求。

集中式模型可能会将流量推向云互连和广域链路。混合系统则可能把压力分散到每一层。

读者还应关注，网络故障是否会成为 AI 采用的显性限制。项目延期、响应时间下降和通信账单上涨，都将使这一约束更容易量化。

如果应用有所改善，而流量仍处于可控范围，软件效率就应获得更多认可。如果尽管模型更好，流量仍在增长，反弹效应便占了上风。

Google News 将继续呈现供应商公告、国会证词和产品发布。这些标题是有用的发现起点，但无法解决其背后的核心主张。

开发者应测量其代理产生了多少网络调用，并移除不必要的循环。企业买家应在批准大规模升级前，绘制工作负载路径图。

网络团队应将容量问题与应用设计问题区分开来。安全负责人应在自动化接触生产控制系统之前，限制代理权限。

知识工作者同样与此息息相关。AI 助手依赖远程模型、搜索系统、文件和工作场所应用。网络质量会影响这些工具给人的感觉是可靠，还是反复无常。

参议院听证会确立了这样一点：AI 政策如今也是网络政策。但它并未确定美国需要多少基础设施、哪些升级应当优先，或哪些保障措施必须强制实施。

Cisco 已阐明其论点：AI 将对通信系统提出新的需求，而基于 AI 的运营能够帮助这些系统作出响应。现有证据支持认真对待这些需求，但不足以让人照单全收每一项预测。

下一步应当务实：跟踪由此产生的立法，要求供应商提供可量化的生产结果，并检查真实 AI 工作流所产生的流量。

当下一条 Google News 标题承诺提供 AI 就绪网络时，请问三个问题：生产环境中到底发生了什么变化？哪些内容经过了独立测量？当自动化出错时，谁仍然负责？